重復(fù)隨機(jī)抽樣進(jìn)行模擬運(yùn)算的數(shù)學(xué)算法的這一部分的知識(shí)點(diǎn)沒有學(xué)好,了解到你們可以單獨(dú)專業(yè)課程的某一門專業(yè),曼大的Markov Chain Monte Carlo馬爾可夫鏈蒙特卡洛課程內(nèi)容能單獨(dú)補(bǔ)習(xí)嗎?
可以單獨(dú)輔導(dǎo)Markov Chain Monte Carlo馬爾可夫鏈蒙特卡洛這門課程。
作為統(tǒng)計(jì)學(xué)中的一種計(jì)算方法,MCMC也是很多留學(xué)生的學(xué)習(xí)重點(diǎn)以及難點(diǎn)。其實(shí)這門課程我們也是輔導(dǎo)過非常多的同學(xué),積累了很多的輔導(dǎo)經(jīng)驗(yàn),不論是課程知識(shí)點(diǎn)還是有涉及到作業(yè),我們都是可以輔導(dǎo)的。
自1980年代末以來,MCMC已廣泛用于統(tǒng)計(jì)領(lǐng)域,其應(yīng)用范圍也在不斷擴(kuò)大。 本課程將介紹MCMC方法,特別是Metropolis-Hastings算法,它是所有MCMC的基礎(chǔ)。 將通過眾多示例詳細(xì)討論MCMC的實(shí)現(xiàn)。
接著我們來說一下英國曼徹斯特大學(xué)的這門課程:
教學(xué)大綱
簡介:貝葉斯統(tǒng)計(jì),馬爾可夫鏈。
Gibbs Sampler:數(shù)據(jù)增強(qiáng),老化,融合。
Metropolis-Hastings算法:獨(dú)立采樣器,Metropolis隨機(jī)游走,縮放,多模式。
MCMC問題:蒙特卡洛錯(cuò)誤,重新參數(shù)化,混合算法,收斂性診斷。
完美的模擬。
可逆跳轉(zhuǎn)MCMC:參數(shù)數(shù)量未知。
近似貝葉斯計(jì)算:基于模擬的推理。
最終會(huì)有筆試的考核,所以要求同學(xué)們要掌握以下的技能以及知識(shí):
1.應(yīng)用各種MCMC算法,如大都會(huì)-黑斯廷斯算法和吉布斯采樣器,從復(fù)雜分布中獲取樣本,并用于標(biāo)準(zhǔn)問題中的參數(shù)估計(jì),如回歸建模;
2.將近似貝葉斯計(jì)算算法用于各種問題的參數(shù)估計(jì),包括群體遺傳模型;
3.用文字描述各種算法,也可以通過統(tǒng)計(jì)軟件實(shí)現(xiàn)算法;
4.使用診斷方法評(píng)估算法的性能,并在必要時(shí)解釋如何提高性能;
5.制定MCMC/ABC算法以執(zhí)行模型選擇。
同學(xué)需要輔導(dǎo)Markov Chain Monte Carlo馬爾可夫鏈蒙特卡洛的知識(shí)以及作業(yè)可以先聯(lián)系我們客服老師咨詢,如果同學(xué)面臨考試,我們也可以對(duì)于這部分的知識(shí)做一個(gè)考前的突擊輔導(dǎo)。